欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。
图像对比度与色调映射（Tone Mapping）是一个非常基础的图像处理领域，随着生成对抗网络技术的成熟，基于GAN的图像对比度与色调映射在各类场景的自动化增强应用中有比较不错的进展，本次我们来简单给大家推荐一些初学者值得关注的工作。
作者&编辑 | 言有三
1 基本模型
我们之所以研究GAN模型用于图像对比度与色调映射，主要就是因为GAN模型强大的生成能力，使其对于图像颜色和纹理有很好的判别学习能力，一个基本的思路就是使用GAN的对抗机制来学习增强模型，但核心在于如何设计好其中的颜色与纹理优化目标。
文章引用量：400+
推荐指数：✦✦✦✦✧
[1] Ignatov A, Kobyshev N, Timofte R, et al. Dslr-quality photos on mobile devices with deep convolutional networks[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017: 3277-3285.
2 无监督模型
如果我们将需要增强的图像称之为低质量图像，增强后的图像称之为高质量图像，成对的数据并不容易获得，因此研究无监督的模型是必要的，其中CycleGAN为代表的框架提供了非常好的基准模型，在其基础上进行设计改进即可以获得不错的结果。
文章引用量：400+
推荐指数：✦✦✦✦✧
[2] Kim D W, Ryun Chung J, Jung S W. Grdn: Grouped residual dense network for real image denoising and gan-based real-world noise modeling[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2019: 0-0.
[3] Chen Y S, Wang Y C, Kao M H, et al. Deep photo enhancer: Unpaired learning for image enhancement from photographs with gans[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 6306-6314.
3 注意力模型
虽然图像对比度与色调映射（Tone Mapping）是一个全局的图像映射，但是不同像素需要的增强力度不同，我们更关注的是低对比度区域的映射，这也是许多经典Tone Mapping方法增强曲线的特点，因此注意力机制的添加是合理的。
文章引用量：500+
推荐指数：✦✦✦✦✧
[4] Jiang Y, Gong X, Liu D, et al. Enlightengan: Deep light enhancement without paired supervision[J]. IEEE Transactions on Image Processing, 2021, 30: 2340-2349.
[5] Ni Z, Yang W, Wang S, et al. Towards unsupervised deep image enhancement with generative adversarial network[J]. IEEE Transactions on Image Processing, 2020, 29: 9140-9151.
4 图像对比度与色调映射应用
对于许多朋友来说，可能最开始接触到图像对比度与色调映射领域，是接触图像去雾这个领域，比较差的传感器拍摄出来的图片总给人雾蒙蒙的感觉，这就需要图像去雾算法来进行改进。另外，还有一些比较特殊的图片，比如水下拍摄的图片，也可以使用图像增强来进行改进，这些都是典型应用场景。
文章引用量：600+
推荐指数：✦✦✦✦✧
[6] Engin D, Genç A, Kemal Ekenel H. Cycle-dehaze: Enhanced cyclegan for single image dehazing[C]//Proceedings of the IEEE conference on computer vision and pattern recognition workshops. 2018: 825-833.